Clustering Data Ujian Tengah Semester (UTS) Data Mining

Menggunakan Algoritma K-Means

1)
Ginanjar Abdurrahman
1)
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember
Jl. Karimata No. 49 Jember Kode Pos 68121
1)
Email: abdurrahmanginanjar@unmuhjember.ac.id

ABSTRAK
Ilmu pengetahuan dan teknologi akan mempermudah pekerjaan manusia. Namun,
disisi lain akan meningkatkan persaingan. Dalam menghadapi ketatnya persaingan,
perlu dipersiapkan sumber daya manusia yang kompeten. Mahasiswa diharapkan
siap secara akademik, berupa kesiapan pengetahuan maupun keterampilan untuk
menghadapi persaingan yang semakin ketat. Salah satu cara untuk melihat
kompetensi mahasiswa adalah dengan melihat hasil belajar yang dapat
direpresentasikan dengan nilai ujian yang ditempuh. Ujian tengah semester (UTS)
merupakan salah satu bentuk ujian yang menjadi komponen penilaian. Dengan
mengetahui nilai UTS, dosen mengetahui sebaran mahasiswa dalam hal
kompetensi akademik. Untuk itulah, diperlukan pengelompokan (clustering)
menggunakan algoritma k-means sebagai pertimbangan dosen dalam membentuk
kelompok belajar mahasiswa berdasarkan cluster nilai UTS.
Kata kunci: UTS, Kompetensi, Clustering, K-means

1. PENDAHULUAN tes/ujian (Gronlud, 1977:1). Ada

Di satu sisi, perkembangan ilmu beberapa komponen penilaian dalam
pengetahuan dan teknologi akan menentukan nilai akhir mata kuliah di
mempermudah pekerjaan manusia. tingkat pendidikan tinggi, yang salah
Namun, di lain sisi hal ini akan satunya adalah nilai Ujian Tengah
meningkatkan persaingan baik itu Semester (UTS). Dengan mengetahui
persaingan lokal maupun global. Untuk nilai UTS, dosen dapat mengetahui
menghadapi persaingan, perlu sebaran mahasiswa dalam hal
dipersiapkan sumber daya manusia. kompetensi akademik.
Dalam hal ini mahasiswa yang kompeten Dengan pertimbangan tersebut,
dalam bidang akademik berupa maka perlu diadakan pengelompokan
pengetahuan dan keterampilan. Salah mahasiswa berdasarkan nilai UTS agar
satu cara untuk mengukur kompetensi dosen dapat menerapkan metode
akademik adalah dengan nilai mata pembelajaran yang tepat dan menjadi
kuliah. Permendikbud nomor 66 tahun bahan pertimbangan untuk pembentukan
2013 tentang Standar Penilaian kelompok belajar sesuai dengan sebaran
Pendidikan menyebutkan bahwa kemampuan akademik mahasiswa. Salah
penilaian adalah proses pengumpulan satu metode untuk pengelompokan
dan pengolahan informasi untuk adalah metode clustering dengan
mengukur pencapaian hasil belajar algoritma k-means. Algoritma k-means
peserta didik, dalam hal ini adalah dipilih karena sederhana dan dimulai
mahasiswa. Sedangkan untuk dengan deskripsi dasar algoritma (Tan,
mengetahui tingkat kompetensi akademik, Steinbech, & Kumar, 2006:497). Selain
diperlukan suatu prosedur penilaian yakni itu, k-means juga dapat digunakan untuk

71
 Ginanjar Abdurrahman, Clustering Data Ujian… hlm 71-79
data berukuran besar dan sangat efisien
(Tan, Steinbech, & Kumar, 2006:510).
Pada Penelitian ini, dataset berupa hasil
UTS mata kuliah Data Mining yang akan
dikelompokkan dengan metode clustering
menggunakan algoritma k-means dengan
bantuan program aplikasi WEKA 3.6.
2. TINJAUAN PUSTAKA
2.1 Data Mining
Data mining merupakan proses
dalam menemukan hubungan yang
berarti, pola dan tren dengan memeriksa
data berukuran besar dalam suatu
penyimpanan dengan menggunakan
teknologi pengenalan pola, misalnya
statistik dan matematika. Hal ini sesuai
dengan definisi yang dikemukakan oleh
Gartner Group dalam Larose (2005:2)
yaitu “Data mining is the process of
discovering meaningful new correlations,
patterns and trends by sifting through
large amounts of data stored in
repositories, using pattern recognition
technologies as well as statistical and
mathematical techniques”.
Data mining juga dapat diartikan
sebagai proses menemukan pola dalam
data. Hal ini dikemukakan oleh Witten,
Frank, & Hall (2011:5) yaitu “Data mining
is defined as the process of discovering
patterns in data”. Sedangkan menurut
Hand et al dalam (Larose, 2005:2) yaitu
“Data mining is the analysis of (often
large) data sets to find unsuspected
relationships and to summarize the data
that are both understandable and useful”.
Hal ini berarti bahwa data mining
merupakan analisis dari data berukuran
besar untuk menemukan hubungan tak
terduga dan meringkas data agar dapat
dipahami dan dapat digunakan. Menurut
Pramudiono (Kusrini & Luthfi, 2009: 3)
Data Mining adalah serangkaian proses
untuk menggali nilai tambah dari suatu
kumpulan data berupa pengetahuan yang
selama ini tidak diketahui secara manual.
Masih menurut Pramudiono (Kusrini &
Luthfi, 2009:6) menyatakan bahwa Data
Mining diidentikkan dengan knowledge
discovery in database (KDD) yang
mempunyai definisi proses penggalian
informasi tersembunyi dalam suatu basis
data yang besar.
Dari beberapa pengertian di atas,
dapat disimpulkan bahwa Data Mining
merupakan serangkaian proses dalam
pencarian pola, hubungan, penggalian
nilai tambah dari data dan informasi yang
berukuran besar berupa pengetahuan
dengan tujuan menemukan hubungan
dan menyederhanakan data agar
diperoleh informasi yang dapat dipahami
dan bermanfaat dengan bantuan ilmu
statistik dan matematika.
Secara garis besar tahap-tahap Data
Mining terdiri dari selection,
preprocessing, transformation, data
mining, interpretation/evaluation (Fayyad
dalam Kusrini & Luthfi, 2009: 3). Dalam
Data Mining, umumnya metode penelitian
berkaitan dengan klasifikasi, clustering,
dan Asosiasi. Metode klasifikasi adalah
metode yang melibatkan variabel kategori
(Larose, 2005:14) yang artinya suatu
objek dinyatakan ke salah satu kategori
atau kategori yang lain. Metode dalam
Data Mining yang merupakan klasifikasi
diantaranya adalah C.4.5, Nearest
Neighbor, Naïve bayesian, back
propagation. Metode clustering
merupakan metode pengelompokan data,
observasi, atau kasus menjadi kelas
objek-objek yang serupa. Sedangkan
cluster didefinisikan sebagai kumpulan
data yang sama satu sama lain, dan tidak
sama dengan data di lain cluster. Metode
clustering mencari segmen keseluruhan
data menjadi subgrup-subgrup yang
relatif homogen atau biasa disebut
sebagai cluster (Larose, 2005: 16).
Menurut Wu & Kumar (2009:33) algoritma
72
JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 1, No. 2, Agustus 2016
clustering menempatkan data-data yang
sama pada satu kelompok (cluster),
sedangkan data yang tidak sama pada
kelompok (cluster) yang lain. Contoh
metode clustering ini adalah algoritma K-
means, algoritma Agglomerative
Hierarchical Clustering, Divisive
Hierarchical Clustering. Sedangkan
asosiasi sering disebut sebagai analisis
keranjang belanja (market basket
analysis) merupakan metode dalam Data
Mining untuk menemukan aturan untuk
mengukur hubungan antara dua atau
lebih atribut. Aturan asosiasi biasanya
dinyatakan dalam bentuk jika anteseden,
maka konsekuen, bersama dengan
besarnya nilai support dan confidence
yang berasosiasi dengan aturannya
(Larose, 2005:17). Contoh metode ini
adalah algoritma FP-Growth, algoritma
Apriori.
2.2 Algoritma K-means
Algoritma K-means merupakan salah
satu algoritma clustering
(pengelompokan). K-means clustering
merupakan metode clustering non-hirarki
yang mengelompokkan data dalam
bentuk satu atau lebih cluster/kelompok.
Data-data yang memiliki karakteristik
yang sama dikelompokkan dalam satu
cluster/kelompok dan data yang memiliki
karakteristik yang berbeda dikelompokkan
dengan cluster/kelompok yang lain,
sehingga data yang berada dalam satu
cluster/kelompok memiliki tingkat variasi
kecil (Agusta, 2007). Sedangkan menurut
Wu & Kumar (2009:33) K-means adalah
algoritma clustering yang mempartisi
himpunan D menjadi k cluster data.
Algoritma K-means mengklaster semua
titik data pada D sedemikian sehingga titik
data xi menjadi satu-satunya k partisi.
Dengan kata lain, satu titik data hanya
masuk ke dalam satu cluster.
73
Adapun langkah-langkah dari
algoritma K-means adalah sebagai
berikut (Tan, Steinbech, & Kumar,
2006:497).
1. Tentukan K data sebagai centroid, K
adalah jumlah cluster yang diinginkan
(ditentukan oleh peneliti).
2. Tiap titik (data) kemudian dicari
centroid terdekatnya.
3. Setiap himpunan titik (data) yang
menjadi centroid disebut cluster.
4. Hitung kembali centroid dari setiap
cluster.
5. Ulangi langkah 1-4 sampai centroid
tidak berubah.
Metode clustering menggunakan
Algoritma K-means, ukuran kedekatan
data dihitung menggunakan jarak
Euclidean. Algoritma K-means bertujuan
untuk meminimumkan jarak total
Euclidean diantara setiap titik xi, dan
cluster terdekat yakni cj (Wu & Kumar,
2009:23). Jarak Euclidean ditentukan
dengan menggunakan persamaan 2.1
berikut ini (Agusta, 2007).
2
n
dij   xik  x jk  …. (2.1)
k 1
Keterangan:
dij = jarak antara data ke-i dan data ke-
j
n = dimensi data
xik = koordinat data ke-i pada dimensi k
xjk = koordinat data ke-j pada dimensi k
Sedangkan menurut Hans & Kamber
(2016) algoritma k-means membagi data
ke dalam k-buah cluster yang telah
ditentukan. Ada beberapa cara yang
dapat digunakan untuk menghitung jarak
yaitu antara lain dengan menggunakan
Euclidean distance, Manhattan distance,
dan Chebisev distance. Masing-masing
 Ginanjar Abdurrahman, Clustering Data Ujian… hlm 71-79

cara perhitungan jarak tersebut dijelaskan memberikan informasi yang terbaik bagi
sebagai berikut ini. guru dan siswa untuk bisa mendapatkan
1. Euclidean Distance informasi tentang keberhasilan upaya
Formula untuk menghitung jarak mereka setelah mengajar dan belajar.
antar dengan Euclidean Distance untuk Ebel & Frisbie (1986: 20-21)
dua titik dalam satu, dua dan tiga dimensi menambahkan bahwa fungsi utama dari
secara berurutan ditunjukan pada tes adalah untuk mengukur prestasi siswa
persamaan (2.2), (2.3), dan (2.4) sebagai dan kontribusinya terhadap evaluasi dan
berikut. pencapaian proses pendidikan, tes juga
membantu guru dalam menentukan nilai
( x  y )2 | x  y | .... (2.2) yang valid dan level yang reliabel bagi
siswa.
Nitko & Brookhart (2011:5)
d ( p, q)  ( p1  q1 )2  ( p2  q2 )2 ...(2.3)
menyatakan “test is defined as an
instrument or systematic procedure for
( p1  q1 )2  ( p2  q2 ) 2 observing and describing one or more
d ( p, q )  ...(2.4)
characteristics of a student using either a
( p3  q3 )2
numerical scale or a classification
scheme.” Hal ini berarti tes merupakan
2. Manhattan Distance (Taxicab distance)
suatu instrumen atau prosedur sistematik
n
untuk mengobservasi atau
d1( p, q)  p  q 1   pi  qi ...(2.5)
i 1 mendeskripsikan satu atau lebih
karakteristik siswa dengan menggunakan
3. Chebisev Distance (Maximum Metric) skala numerik atau skala
Untuk menentukan jarak dengan pengklasifikasian. Menurut Muijs &
menggunakan Chebisev Distance Reynolds (2005: 232) tes prestasi
dilakukan dengan cara mengambil nilai mengukur kinerja siswa dalam satu mata
maksimum dari setiap koordinat pelajaran dalam waktu tertentu.
dimensinya. Jika dinyatakan dalam Berdasarkan Permendiknas nomor 66
persamaan matematika, maka Chebisev tahun 2013 tentang Standar Penilaian
Distance dapat dilihat pada persamaan Pendidikan disebutkan bahwa penilaian
(2.6) adalah proses pengumpulan dan
pengolahan informasi untuk mengukur
Dcheb ( p, q)  max  pi  qi  ....(2.6) pencapaian hasil belajar siswa. Prestasi
belajar siswa akan diketahui melalui
penilaian yang dilakukan guru melalui
Dalam penelitian ini, formula yang akan suatu evaluasi belajar yang biasanya
digunakan untuk menentukan jarak berupa tes tertulis.
adalah formula Euclidean Distance pada Menurut Miller, Linn, & Gronlund
persamaan (2.2), (2.3), dan (2.4) (2009:140-142) pemberian tes dapat
dilakukan berdasarkan tujuan
2.3 Ujian/Tes pembelajaran dan penilaian yang
Tes digunakan untuk mengukur berbeda-beda, antara lain : (a) sebelum
tingkat keberhasilan prosedur pengujian, diawal suatu pembelajaran
pembelajaran (Gronlund, 1977:1). Ebel & bertujuan untuk menentukan apakah
Frisbie (1991:30) menyatakan bahwa tes siswa memiliki keterampilan prasyarat

74
JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 1, No. 2, Agustus 2016

yang dibutuhkan untuk pembelajaran, a. Identifikasi

atau untuk mengetahui tingkat kesiapan Pada tahap ini, dilakukan identifikasi
siswa untuk mencapai tujuan masalah yang ada apa saja serta
pembelajaran yang direncanakan (untuk menawarkan solusi yang dapat digunakan
menentukan posisi siswa atau modifikasi untuk menyelesaikan masalah tersebut.
pembelajaran), (b) Tes formatif, b. Studi Literatur
digunakan untuk memonitor kemajuan Tahap ini merupakan tahap untuk
pembelajaran, mendeteksi miskonsepsi, mencari referensi, berupa jurnal
menyemangati siswa untuk belajar, dan penelitian, paper, buku-buku referensi,
menyediakan umpan balik untuk siswa dan referensi lain terkait penelitian.
dan guru, (c) tes sumatif, tes pada akhir c. Penyusunan Dataset
pembelajaran dapat digunakan sebagai Penelitian ini melibatkan 103 data
umpan balik terhadap siswa, nilai UTS Mahasiswa semester IV
menyemangati siswa untuk maju dan Universitas Muhammadiyah Jember
mengerjakan yang lebih menantang, pada Mata Kuliah Data Mining.
menentukan kerja remedial, dan menilai d. Clustering
pembelajaran. Pada tahap ini, metode clustering
Berdasarkan uraian di atas, maka digunakan untuk mengelompokkan data
dapat disimpulkan bahwa ujian/tes adalah menjadi tiga kelompok.
alat untuk mengukur tingkat keberhasilan e. Algoritma K-Means
prosedur pembelajaran untuk Pada tahap ini, algoritma K-means
memberikan informasi kepada dosen diterapkan untuk mengelompokkan
untuk mengobservasi atau dataset yang ada menjadi tiga cluster.
mendeskripsikan satu atau lebih f. Interpretasi dan Evaluasi
karakteristik siswa dengan menggunakan Pada tahap akhir ini informasi yang
skala numerik. dihasilkan dari proses data mining perlu
disajikan dalam bentuk yang mudah
3. METODE PENELITIAN dimengerti oleh pihak yang
Langkah-langkah dalam penelitian berkepentingan.
dapat dilihat pada Gambar 1 berikut ini.
Sebagai contoh, perhitungan dari
Identifikasi Masalah
algoritma k-means berdasarkan dataset
pada Tabel 1 dibawah ini.
Studi Literatur
Tabel 1. Dataset Contoh

Clustering Jumlah Total

Data
Transaksi Belanja
Penyusunan Dataset 1 4 2.255
2 2 1.788
3 2 1.255
Algoritma K-means
4 4 3.322
5 4 3.012
Interpretasi dan Evaluasi 6 3 1.261

Gambar 1. Langkah-Langkah Penelitian

75
 Ginanjar Abdurrahman, Clustering Data Ujian… hlm 71-79

Langkah pertama, ditentukan terlebih C3=(C31,C32)) dengan melihat matriks

dahulu jumlah cluster, misalnya k=3 dan penempatan cluster dan menggunakan
ditentukan centroid (pusat cluster) data pada Tabel 1.
awalnya adalah C1=(2,1); C2=(4,3),
C3=(3,2). C11=Average (2,2)=2
Dengan menggunakan Tabel 1, maka C12=Average (1.788,1.255)=1.5215
dihitung Jarak Euclidean setiap item C21=Average (4,4,4)=4
(Jumlah Transaksi dan Total Belanja) C22=Average (2.255, 3.322, 3.012) =
dengan centroid awal, maka diperoleh: 2.863
Maka data-1, diperoleh: C31=Average (3)=3
C32=Average (1.261)=1.261

Sehingga centroid baru tersebut adalah:

C1=(C11,C12)=(2,1.5215)
C2=(C21,C22)=(4,2.863)
C3=(C31,C32)=(3,1.261)
dan seterusnya, sehingga diperoleh jarak
antara data dengan centroid awal seperti
Dengan menggunakan centroid baru,
pada Tabel 2.
ditentukan kembali jarak setiap item
terhadap centroid baru tersebut, sehingga
Tabel 2. Jarak Euclidean
diperoleh data jarak terhadap centroid
C1 C2 C3 baru seperti terlihat pada Tabel 4.
1 2.361149085 0.745 1.032000484
Tabel 4. Jarak Euclidean
2 0.788 2.338577 1.022225024
3 0.255 2.654247 1.247006415 C1 C2 C3
4 3.064585453 0.322 1.657613948 1 2.130263423 0.608 1.409977305
5 2.836925096 0.012 1.422724148 2 0.2665 2.2706 1.130366755
6 1.033499395 2.006021 0.739 3 0.2665 2.566255 1.000018
4 2.691059317 0.459 2.290790475
5 2.494311578 0.149 2.016432741
Dari Tabel 2 dipilih jarak Euclidean
6 1.033373238 1.888493 0
terkecil, sehingga diperoleh matriks
penempatan cluster seperti tampak pada
Dari Tabel 4 dipilih jarak Euclidean
Tabel 3 berikut ini.
terkecil sehingga diperoleh matriks
Tabel 3. Matriks Penempatan Cluster penempatan cluster seperti tampak pada
Tabel 5.
C1 C2 C3
1 * Tabel 5. Matriks Penempatan Cluster
2 *
3 * C1 C2 C3
4 * 1 *
5 * 2 *
6 * 3 *
4 *
5 *
Ditentukan centroid baru yakni
6 *
(C1=(C11,C12), C2=(C21,C22),

76
JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 1, No. 2, Agustus 2016
Dengan membandingkan Tabel 3 dan
Tabel 5 ternyata tidak terjadi perpindahan
centroid, sehingga iterasi clustering
dihentikan.
4. HASIL DAN PEMBAHASAN
Penelitian ini menggunakan program
aplikasi weka 3.6 untuk mengelompokkan
(clustering) nilai UTS mahasiswa dengan
algoritma clustering, yakni algoritma k-
means. Clustering dilakukan pada nilai
Ujian Tengah Semester (UTS)
mahasiswa Universitas Muhammadiyah
Jember tahun akademik 20152 untuk
mata kuliah Data Mining pada kelas
Teknik Informatika-A dan Teknik
Informatika-B.
Data dari kelas Teknik Informatika-A
dan kelas Teknik Informatika-B, diproses
secara terpisah dengan algoritma k-
means menggunakan aplikasi WEKA 3.6
untuk mendapatkan clustering mahasiswa
berdasarkan nilai UTS. Pada pengujian ini
Gambar 2. Plot hasil clustering nilai UTS TI-A
77
nilai awal maupun asumsi yang
digunakan dalam analisis data yaitu (1)
Jumlah cluster (k) ditentukan sebanyak 3
cluster, dan (2) Cluster-cluster yang
terbentuk yakni cluster nilai rendah,
cluster nilai sedang, dan cluster nilai
tinggi.
Dari hasil pengolahan terhadap data
nilai UTS mahasiswa dengan algoritma k-
means untuk clustering menggunakan
aplikasi WEKA 3.6, diperoleh dua hasil
clustering. Hasil clustering pertama untuk
kelas Teknik Informatika-A dari output
aplikasi weka 3.6 menunjukkan sebanyak
5 (10%) nilai UTS termasuk dalam cluster
nilai rendah, sebanyak 17 (33%) nilai UTS
mahasiswa termasuk dalam cluster nilai
sedang, dan sebanyak 30 (58%) nilai
UTS mahasiswa termasuk dalam cluster
nilai tinggi. Selengkapnya, hasil clustering
untuk nilai UTS data mining kelas teknik
informatika-A dapat dilihat pada Gambar
2.
 Ginanjar Abdurrahman, Clustering Data Ujian… hlm 71-79
Gambar 3. Plot hasil clustering nilai UTS TI-B
Hasil clustering kedua untuk kelas
Teknik Informatika-B dari output weka 3.6
menunjukkan sebanyak 12 (24%) nilai
UTS termasuk dalam cluster nilai rendah,
sebanyak 24 (49%) nilai UTS mahasiswa
termasuk dalam cluster nilai sedang, dan
sebanyak 13 (27%) nilai UTS termasuk
dalam cluster nilai tinggi. Selengkapnya,
hasil clustering untuk nilai UTS Data
Mining kelas Teknik Informatika-B dapat
dilihat pada Gambar 3.
5. KESIMPULAN DAN SARAN
Berdasarkan hasil dan pembahasan
output dari aplikasi weka, maka dapat
diambil dua kesimpulan. Pertama,
clustering yang terbentuk adalah tiga
cluster, yakni cluster nilai UTS tinggi,
cluster nilai UTS sedang, dan cluster nilai
UTS rendah. Kedua, dari clustering yang
terbentuk dari masing-masing kelas,
dapat dijabarkan bahwa untuk kelas
Teknik Informatika-A, sebanyak 5 (10%)
nilai UTS termasuk dalam cluster nilai
rendah, sebanyak 17 (33%) nilai UTS
mahasiswa termasuk dalam cluster nilai
sedang, dan sebanyak 30 (58%) nilai
UTS mahasiswa termasuk dalam cluster
nilai tinggi. Sedangkan untuk Teknik
Informatika-B, sebanyak 12 (24%) nilai
UTS termasuk dalam cluster nilai rendah,
sebanyak 24 (49%) nilai UTS mahasiswa
termasuk dalam cluster nilai sedang, dan
sebanyak 13 (27%) nilai UTS termasuk
dalam cluster nilai tinggi.
Saran pengembangan dapat
dilakukan perbandingan dengan algoritma
clustering yang lain untuk data UTS
sebagai perbandingan validitas clustering
yang terbentuk. Disamping itu, penelitian
ini dapat dijadikan sebagai salah satu
referensi untuk dosen pengampu dalam
pembentukan kelompok belajar
mahasiswa, dan sebagai referensi untuk
penelitian selanjutnya yang serumpun.
78
JUSTINDO, Jurnal Sistem & Teknologi Informasi Indonesia, Vol. 1, No. 2, Agustus 2016

DAFTAR PUSTAKA Larose, D.T., (2005). Discovering

Agusta. (2007). K-means-penerapan, knowledge in data: an introduction
permasalahan, dan metode terkait to data mining. New Jersey: John
stmik stikom bali, denpasar, bali. Wiley & Sons.
Ebel, R.L.,& Frisbie, D.A., (1986). Miller, M.D., Linn, R.L., & Gronlund, N.E.,
Essentials of education (2009). Measurement and
measurement (4th ed.). Engelwood assessment in teaching (10th
Cliffs, New Jersey: Prentice Hall. ed.).Upper Saddle River, New
Ebel, R.L.,& Frisbie, D.A., (1991). Jersey: Pearson Education, Inc.
Essentials of educational Muijs, D., & Reynolds, D., (2005).
th
measurement (5 ed.).Engelwood Effective teaching: evidence and
Cliffs, New Jersey: Prentice Hall. practice(2nd ed). London: SAGE
Gronlund, N.E., (1977). Constructing Publications, Ltd.
achievement test (2nd ed.). Nitko & Brookhart. (2011). Educational
Engelwood Cliffs, New Jersey: Assessment of Students. Boston:
Prentice-Hall. Allyn & Bacon..
Hans, J., & Kamber, M., (2006). Data Tan, P.N., Steinbech, M., & Kumar, V.,
mining: concepts and techniques, (2006). Introduction to data mining.
2nd ed. Burlington: Morgan Boston: Pearsong Education, Ltd.
Kaufmann. Witten, I.H., Frank, E., Hall, M.A., (2011).
Kemendikbud. (2006). Peraturan menteri Data mining: practical machine
pendidikan dan kebudayaan learning tools and techniques third
republik indonesia nomor 66, tahun edition. Burlington: Morgan
2013, tentang standar penilaian Kaufmann.
pendidikan. Wu, X., & Kumar, V., (2009). The top ten
Kusrini & Luthfi. (2009). Algoritma data algorithms in data mining. Boca
mining. Yogyakarta: Andi. Raton: CRC Press.

79